《Deep Learning》(1)-介绍

最新推荐文章于 2024-04-30 23:23:05 发布
最新推荐文章于 2024-04-30 23:23:05 发布
阅读量1.4k 收藏
点赞数
分类专栏： Deep Learning笔记 《Deep Learning》笔记 文章标签： 深度学习 机器学习 数学
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kangroger/article/details/52421470
版权

在读书时学过不少数学知识，工作后才意识到数学的重要性。机器学习、深度学习这些理论基础算是基本都学过，但是有些理解不深刻、印象模糊，不成系统。这里以《Deep Learning》为基础，记录一下再度学习的过程和笔记。
1、介绍
2、线性代数
待补充

KangRoger
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
deep-learning-for-signal-white-paper.pdf
08-15
Deep Learning for Signal Processing with MATLAB。Deep learning networks have been used for image classification for many years, but they are powerful tools for signal data as well. A deep learning network can do everything a mathematical model can do without requiring you to know which signal features to bring into the model. The network itself decides these features during the training process.
Deep-Learning-21-Examples-master
10-02
21个例子学深度学习，tensorflow程序原代码Deep-Learning-21-Examples-master.21个项目玩转深度学习：基于tensorflow的实践详解
deep-learning-for-image-processing-master_deeplearning_深度学习处理图片_
09-29
深度学习处理图片，适合学习仔细研究等等等等
DeepLearning-500-questions-master
03-16
深度学习方面经典问题分析，包含深度学习中文版教程，帮助初学者更好入门
Pytorch官方新书 deep-learning-with-pytorch.pdf下载
weixin_42083341的博客
12-02 5236
2019.11.22 pytorh官方终于出书了！！ 作者是Eli Stevens和Luca Antiga. Eli Stevens，是一名软件工程师，已经在硅谷工作了15年。过去7年中，他在一家开发医疗设备软件的创业公司担任CTO。
Deep Reinforcement Learning - 1. DDPG原理和算法
热门推荐
kenneth_yu的博客
11-08 13万+
Deep Reinforcement Learning - 1. DDPG原理和算法 背景描述 DDPG的定义和应用场景 DDPG算法相关基本概念定义 DDPG实现框架和算法 DDPG对于DPG的关键改进 下一篇 以下用RL作为Reinforcement Learning 的简称。背景描述概括来说，RL要解决的问
Deep Reinforcement Learning Hands-on-2nd-edition 第一部分
weixin_42188287的博客
01-20 2433
一、写在前面的一些话 本书的第一版于2018年出版，2020年1月份第二版面世（英文版）。 作者是一个俄罗斯人Maxim Lapan，我们就叫他马克思姆吧，一个非常俄罗斯的名字。马克西姆的简介中有一句话，我认为可以解释我翻译此书的原因——“He has the ability to explain complicated things using simple words and vivid examples.” 相信每个入门强化学习的同学，看了很多的书和论文，但是对于一些基本概念（如：value fun.
Pytorch教程（Deep-Learning-with-PyTorch）
tangilbe1996的博客
02-07 1395
这里写自定义目录标题Pytorch教程（Deep-Learning-with-PyTorch）pytorch之父推荐的书，pytorch最好的教程，分享给大家学习。需要的朋友自行下载。 Pytorch教程（Deep-Learning-with-PyTorch） pytorch之父推荐的书，pytorch最好的教程，分享给大家学习。需要的朋友自行下载。 https://72k.us/file/2...
DeepLearning-500-questions
qq_32799915的博客
04-01 970
DeepLearning-500-questions 发现了github一个深度学习基础知识点的总结，涵盖挺全的，数学基础，深度学习基础，机器学习基础，分类网络，目标检测，图像分割，迁移学习，强化学习。。。。。。 不过有些地方感觉还不是很深入，还在持续的更新中。 地址：https://github.com/scutan90/DeepLearning-500-questions ...
cn-deep-learning-vs-machine-learning-ebook(1).pdf
09-20
cn-deep-learning-vs-machine-learning-ebook(1)
【深度学习】YOLOv5，金属表面的缺陷检测，GC10-DET数据集
q742971636的博客
04-26 421
数据集的lable文件夹下是每个图片的框和类别标记，是xml格式。
Exploiting CXL-based Memory for Distributed Deep Learning——论文泛读
重新开始写博客
04-25 907
基于CXL内存扩展内存时，如何优化DL模型训练，本文提出DeepMemoryDL框架，通过资源收集+负载分析+数据预取，优化模型训练时间，避免数据读取导致的I/O停滞。核心是数据预取，并没有利用很多CXL的特性。
深度学习与目标检测：从卷积神经网络到YOLOv8概念介绍
weixin_67244432的博客
04-25 1009
接下来，我们将详细阐述YOLO系列模型，特别是最新的YOLOv8模型，并揭示其训练过程及所取得的成果。其中，YOLOv8作为最新成员，在保持实时性能的同时，进一步提高了检测的准确度。YOLO系列模型在保持高准确度的同时，大大简化了目标检测流程，使得其在自动驾驶、视频监控等领域具有广泛的应用前景。相比之下，卷积神经网络通过局部连接和权值共享的方式，显著减少了模型参数的数量，提高了计算效率。YOLO模型的训练过程是一个复杂而精细的过程。首先，需要准备标注好的数据集，包括图像的路径、目标的位置和类别等信息。
基于自注意力机制的长短期记忆神经网络(LSTM-SelfAttention)的回归预测
沅的博客
04-27 1069
它结合了LSTM和自注意力机制的优势，可以有效地处理时序数据中的长期依赖关系和关键部分。这个模型结合了两个不同的结构，即长短期记忆网络（LSTM）和自注意力机制，从而在时序数据预测中发挥各自的优势。LSTM-SelfAttention模型的优势在于它既能捕捉到时序数据中的长期依赖关系（通过LSTM），又能关注输入数据中的关键部分（通过自注意力机制）。LSTM在时序数据预测中表现出色，因为它可以捕捉到数据中的长期依赖关系。自注意力层：在LSTM层之后，引入自注意力机制，以关注时序数据中的不同部分。
Sarcasm detection论文解析 |用于微博讽刺检测的上下文增强卷积神经网络
最新发布
人工智能学习生
04-30 819
在卷积神经网络的基础上，我们为这项任务提出了两种不同的语境增强神经网络模型。与之前的研究相比，我们的神经网络模型将推文内容本身的特征和上下文特征以单词向量的形式整合到了一个模型中。实验结果表明，与最先进的离散模型和基于上下文的模型相比，我们提出的上下文增强神经网络模型具有更好的性能，证明了上下文增强神经网络模型在这项任务中的有效性。
基于Matlab使用深度学习的多曝光图像融合
Q1744828575的博客
04-30 445
一、项目背景在图像处理领域，多曝光图像融合技术是一种重要的技术，它可以将不同曝光条件下的多幅图像合并为一幅高动态范围（HDR）图像。这种技术对于改善图像的视觉效果、增强图像的细节和对比度等方面具有重要意义。近年来，随着深度学习技术的快速发展，将深度学习应用于多曝光图像融合领域已成为一个研究热点。本项目旨在利用Matlab平台和深度学习技术，实现高效、准确的多曝光图像融合。二、项目目标构建深度学习模型：基于Matlab深度学习工具箱，构建适用于多曝光图像融合的深度学习模型。
Python 深度学习（三）
龙哥盟
04-30 709
在本章中，我们研究了使用强化学习构建计算机游戏代理的方法。我们介绍了三种主要方法：策略梯度、Q 学习和基于模型的学习，并展示了如何将深度学习与这些方法结合使用以实现人类或更高水平的表现。我们希望读者能够从本章中获得足够的知识，以便能够将这些技术应用到他们可能想要解决的其他游戏或问题中。强化学习是当前非常令人兴奋的研究领域。谷歌、Deepmind、OpenAI 和微软等公司都在大力投资以解锁这一未来。在下一章中，我们将探讨异常检测以及如何应用深度学习方法来检测金融交易数据中的欺诈实例。
[note]李宏毅Deep Learning 之 BackPropagation笔记
weixin_43720735的博客
04-25 929
李宏毅Machine Learning中讲解Backpropagation反向传播算法的笔记
深度学习--RNN循环神经网络和LSTM
科学的N次方
04-25 557
深度学习中的循环神经网络（RNN）以及其中的一个变种长短期记忆网络（LSTM）是在序列数据处理方面非常重要的模型。下面我将详细介绍这两种网络的原理和应用。
deep-learning-in-phm
07-07
Deep Learning在可持续性健康管理（PHM）领域的应用越来越广泛。PHM是一种利用数据分析和故障诊断技术来预测和控制设备和系统健康状况的策略。深度学习是一种基于神经网络的机器学习方法，通过模拟人脑神经元的工作...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值